基于机器学习的森林火险因子大数据的深度约简机制研究.docxVIP

?

?

基于机器学习的森林火险因子大数据的深度约简机制研究

?

?

摘?要：文章研究利用改进的机器学习理论与算法，建立针对森林火险因子大数据的深度约简机制，旨在对现有森林火险预警模型中重要的火险因子进行过滤和修正，以更为充分地剔除规模较大的火险因子大数据中冗余的、无效的数据，并且利用改进的人工鱼群算法对过滤约简得到的关键火险因子进行补偿修正。为基于大数据的、有效的森林火险预测预防方法及对策奠定重要基础。

关键词：森林火险因子;机器学习;大数据

：TP181????：A：2096-4706（2020）01-0086-02

Abstract：Adeepreductionmechanismforforestfireriskfactorbigdataisestablishedtofilterandcorrecttheimportantfireriskfactorsintheexistingforestfireriskwarningmodelusingtheimprovedmachinelearningtheoryandalgorithminthispaper，whichisaimedateliminatingtheredundantandinvaliddatawithlargescaleinthefireriskfactorbigdatamorefully.Meanwhile，amodifiedartificialfishswarmalgorithmisusedtocompensateandcorrectthekeyfireriskfactorsobtainedbythefilterreduction.Itlaysanimportantfoundationforeffectiveforestfireriskpredictionpreventionmethodsandcountermeasuresbasedonbigdata.

Keywords：forestfireriskfactor;machinelearning;bigdata

1?研究背景

随着大数据时代的来临，森林火险预警系统需要分析的森林火险因子数据逐渐增多。如何聚类这些火险因子并分析其对于森林火险的影响程度，对森林火险的预测准确度以及火势发展趋势等都尤为关键。由于数据庞大、干扰数据众多，在建立森林火灾预警模型之前，对各类火险因子的数据分析与处理就显得尤为关键。本文采用灰色关联分析与模糊集理论，研究利用改进算法的神经网络建立针对森林火险因子大數据的深度约简机制，旨在从横向和纵向对火险因子进行过滤和修正，利用多种机器学习算法建立深度约简机制。人工神经网络具有自组织、自学习和泛化能力，无需考虑数学模型的内部结构、不需假设前提条件和人为地确定因子权重就可对林火等非线性现象的任意非线性函数进行逼近和模拟。但是处理大数据时，神经网络自身易陷于最小化和收敛速度慢的情境。因此，新时期应在前人研究的基础上，结合当今的计算机科学技术和各种类型的大数据，为森林火险的预警建立动态改良的机制，提高森林火灾预测的准确率，为开展生态安全防护工作提供更加丰富的对策支撑，使因森林火灾造成的损失最小化。

在大数据时代，各行各业为了适应新的需要，都已经在建立专业的大数据的对策方面开展相关工作。林业相关部门也已经提出建立建成森林、湿地、荒漠等林业资源大数据采集、分析、预测和应用的一体化林业智慧决策机制。充分发挥大数据的作用，深化林业智慧决策机制的建立意义，实现森林、湿地、荒漠等林业资源大数据的预测和分析应用是未来的研究重点，也是森林防火研究的实际应用价值所在。

2?研究现状

森林火险预警是一个集不同影响因素于一体的复杂机制，森林火险因子大数据为其主要研究对象。目前对森林火险预警模型研究主要也集中在森林火险因子大数据分析技术的开发与研究上。我国在森林火险预警方面的研究起步较晚，但发展迅速。随着科技的进步与发展，我国的森林火灾预警的研究仍然在不断开拓与完善。尤其在基于森林火险因子大数据分析的预警机制研究上已经取得了一定的成果。

国内对森林火险因子大数据技术的分析研究中，大部分学者都认为湿度、温度和风速是影响林火发生的三个主要的火险气象因子，并对相关的气象因子在林火预测中的权重进行分析[1];还有一些学者以森林植被类型和林地面积资料等相关因子为基础，进行各区域的森林火险划分;还有运用卫星遥感获取到的火点位置信息与气象数据来推演火灾的动态变化（蔓延方向、火烧面积及强度）的研究[2];此外，